材料光学常数的确定方法、材料数据库的扩展方法及装置制造方法及图纸

本申请涉及一种材料光学常数的确定方法、材料数据库的扩展方法及装置。所述材料光学常数的确定方法，包括获取椭偏测试参数向量，利用机器学习模型得出与所述椭偏测试参数向量对应的材料光学常数。所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。所述材料光学常数的确定方法利用所述机器学习模型实现对椭偏测试参数向量的自动化拟合。所述材料光学常数的确定方法使用的机器学习模型计算出材料的光学常数，不再依赖实验人员的经验，降低了对操作人员的要求，并且计算材料的光学常数时加快了数据曲线的拟合速度、提高了运算效率。

【技术实现步骤摘要】
材料光学常数的确定方法、材料数据库的扩展方法及装置
本申请涉及材料科学
，特别是涉及一种材料光学常数的确定方法、材料数据库的扩展方法及装置。
技术介绍
椭圆偏振仪(简称椭偏仪)是利用光波在材料表面反射特性的偏振依赖性，实现对物质的光学常数(比如折射率、介电常数等)及薄膜厚度进行测量的仪器。入射光在材料表面反射时，反射光的振幅以及相位用反射率进行计算。不同偏振态的入射光在材料表面反射时，会表现出不同的反射率。该反射率差异的大小，同材料的光学常数及厚度有关。通过测量不同波长下不同偏振态入射光的反射率差异特性曲线，并对该曲线进行数值拟合，可以获得物质的光学常数(比如折射率、介电常数等)以及薄膜厚度。快速准确的实现所测曲线的拟合是椭偏仪使用的重要环节，也是获得物质光学常数信息的关键。传统的方案中，实验人员高度依靠于自身经验，不断地尝试调节各拟合参数，来实现对所测曲线的拟合，以此获得材料的光学常数或薄膜厚度。该方法要求实验人员具有极其丰富的经验，并且数据曲线拟合速度慢、效率低。
技术实现思路
基于此，有必要针对传统方法中对实验人员经验丰富度的极高要求，以及拟合速度慢、效率低的问题，提供一种全新的可自动，且快速确定材料光学常数的方法及装置，以及材料数据库的扩展方法及装置。一种材料光学常数的确定方法，包括：获取椭偏测试参数向量；将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。一种材料数据库扩展方法，包括：获取待测试材料的椭偏测试参数向量；将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试向量对应的材料光学常数；在已知材料数据库中查找所述待测试材料的光学常数；若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。在一个实施例中，还包括：验证所述椭偏测试参数向量对应的测试材料的光学常数是否属于未知新材料；若所述椭偏测试参数向量对应的测试材料的光学常数属于未知新材料，则将未知新材料的名称扩展至所述已知材料数据库。在一个实施例中，还包括：若所述椭偏测试参数向量对应的测试材料的光学常数不属于任何一种未知新材料，则进一步更新所述机器学习模型。一种材料光学常数确定装置，包括：椭偏测试参数向量获取模块，用于获取待测试材料的椭偏测试参数向量与椭偏测试参数向量；以及材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。一种材料数据库扩展装置，包括：椭偏测试参数向量获取模块，用于获取待测试材料的椭偏测试参数向量与椭偏测试参数向量；材料光学常数确定模块，用于将所述椭偏测试参数向量输入至所述机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；查找模块，用于在已知材料数据库中查找所述待测试材料的光学常数；以及扩展模块，用于若所述已知材料数据库中不存在所述待测试材料的光学常数，将测试材料的椭偏测试参数向量、与所述椭偏测试参数向量对应的测试材料的光学常数扩展至所述已知材料数据库。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。在一个实施例中，还提供一种椭圆偏振仪，包括：光源，用于产生检测光线；光线选择装置，用于调整所述检测光线的波长和偏振角度；光线偏振补偿装置，将所述光源产生的检测光线修改为任何其他偏振状态，以形成检测光线，并将所述检测光线照射到待测样品的表面，所述待测样品包括基底和所述基底表面的材料薄膜；光线探测器，用于获取所述检测光线经所述待测样品反射或者折射后的探测光线，并得出测量结果；所述测量结果包括所述待测样品的椭偏测试参数向量(Δ，Ψ)，所述材料薄膜的厚度，所述材料薄膜波长，所述材料薄膜入射角，所述基底的折射率实部和所述基底的折射率虚部中的任意一种或多种；以及材料光学常数确定装置，用于根据所述测量结果，以及所述检测光线的波长，所述检测光线的入射角，所述基底的折射率实部，所述基底的折射率虚部，采用上述任一项所述的材料光学常数的确定方法确定所述材料薄膜的光学常数，所述光学常数包括所述材料薄膜的折射率实部与折射率虚部中的任意一种或两种。本申请中提供一种材料光学常数的确定方法、材料数据库扩展方法及装置。所述材料光学常数的确定方法，包括获取椭偏测试参数向量，利用机器学习模型得出与所述椭偏测试参数向量对应的材料光学常数。所述机器学习模型包括椭偏测试参数向量和材料光学常数之间的映射关系。所述材料光学常数的确定方法利用所述机器学习模型实现对椭偏测试结果的自动化拟合。所述材料光学常数的确定方法使用的机器学习模型计算出材料的光学常数，不再依赖实验人员的经验，降低了对操作人员的要求，并且计算材料的光学常数时加快了数据曲线的拟合速度、提高了运算效率。附图说明图1为本申请一个实施例中提供的椭偏仪工作原理示意图；图2为本申请一个实施例中提供的椭偏测试参数确定的理论模型；图3为本申请一个实施例中提供的材料光学常数的确定方法流程图；图4为本申请一个实施例中提供的获取机器学习模型的流程图；图5为本申请一个实施例中提供的获取机器学习模型的流程图；图6为本申请一个实施例中提供的获取机器学习模型的流程图；图7为本申请一个实施例中提供的获取机器学习模型的流程图；图8为本申请一个实施例中提供的获取机器学习模型的流程图；图9为本申请一个实施例中提供的材料光学常数的确定方法以及机器学习模型更新的步骤流程图；图10为本申请一个实施例中提供的材料数据库的扩展方法流程图；图11为本申请一个实施例中提供的材料光学常数确定装置示意图；图12为本申请一个实施例中提供的材料数据库扩展装置示意图；图13为本申请一个实施例中提供的获取机器学习模型的过程中的误差测试的数据图；图14为本申请一个实施例中以硅为待测样品，提供的采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图；图15为本申请一个实施例中以仅是二氧化钛为待测样品，提供的采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图；图16为本申请一个实施例中以金为待测样品，提供的采用传统的测试方法和本申请提供的材料光学常数的确定方法得出的对比图；图17为本申请一个实施例中提供的椭圆偏振仪的结构示意图。...

【技术保护点】
1.一种材料光学常数的确定方法，其特征在于，包括：/n获取材料的椭偏测试参数向量；/n将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括所述椭偏测试参数向量和所述材料光学常数之间的映射关系。/n

【技术特征摘要】
1.一种材料光学常数的确定方法，其特征在于，包括：
获取材料的椭偏测试参数向量；
将所述椭偏测试参数向量输入至机器学习模型，得出与所述椭偏测试参数向量对应的材料光学常数；所述机器学习模型包括所述椭偏测试参数向量和所述材料光学常数之间的映射关系。


2.如权利要求1所述的材料光学常数的确定方法，其特征在于，所述机器学习模型的建立方法具体包括：
基于所述椭偏测试参数向量和材料光学常数之间的映射关系构建初始模型的各神经网络层；
构建样本数据，所述样本数据中包括椭偏测试参数向量和材料光学常数向量；
使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型。


3.如权利要求2所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述椭偏测试参数向量输入至所述初始模型，得到当前输出数据；
计算所述当前输出数据与对应的所述材料光学常数向量的差值，若所述差值大于或者等于预设值，则根据所述差值调整所述初始模型的各神经网络层的网络参数；
迭代执行计算所述差值的步骤，直至所述差值小于预设值，则判定所述初始机器学习模型的各神经网络层收敛，得到所述机器学习模型。


4.如权利要求2中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
获取所述验证数据的误差曲线的误差值不再降低时刻的优化模型作为第一优化模型；
将所述测试集中的输入参数分别输入所述第一优化模型，得出经所述第一优化模型运算得到的第一输出参数，判断所述第一输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第一优化模型为所述机器学习模型。


5.如权利要求2中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
从全部模型中选取在验证集上表现最好的M个优化模型，并对所述M个优化模型的参数取平均值，得到第二优化模型；
将所述测试集中的输入参数分别输入所述第二优化模型，得出经所述第二优化模型运算得到的第二输出参数，判断所述第二输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第二优化模型为所述机器学习模型。


6.如权利要求2中所述的材料光学常数的确定方法，其特征在于，所述使用所述样本数据训练所述初始模型的各神经网络层，得到所述机器学习模型，包括：
将所述样本数据分为训练集、验证集和测试集；
将所述训练集和所述验证集分别输入所述初始模型，对所述初始模型进行优化处理，并时刻记录优化模型，同时生成训练数据的误差曲线和验证数据的误差曲线；
从全部模型中随机选取N个优化模型，并对所述N个优化模型的参数取平均值，得到第三优化模型；
将所述测试集中的输入参数分别输入所述第三优化模型，得出经所述第三优化模型运算得到的第三输出参数，判断所述第三输出参数与所述测试集中的输出参数的误差，若所述误差在预设范围内，则所述第三优化模型为所述机器学习模型。


7.如权利要求3-6中任一项所述的材料光学常数的确定方法，其特征在于，所述训练集、所述验证集和所述测试集中的所述样本数据为同质数据。


8.如权利要求2所述的材料光学常数的确定方法，其特征在于，还包括：
对所述样本数据进行调整，以使得不同类型的所述输入参数处于同一组频率；
对所述样本数据中的所述输入参数进行归一化处理，以使得不同类型的所述输入参数在同一个量级。


9.如权利要求1-6中任一项所述的材料光学常数的确定方法，其特征在于，还包括：
将已知的椭偏测试参数向量和经过所述机器学习模型运算得出的材料光学常数向量分别作为更新数据的输入参数和更新数据的输出参数；
将所述更新数据的输入参数输入至所述机器学习模型，以得出当前更新输出数据；
计算所述当前更新输出数据与所述更新数据的输出参数之间的差值，若所述差值大于或等于所述预设值，则根据所述差值调整所述机器...

【专利技术属性】
技术研发人员：任梦昕，刘进超，张迪，许京军，
申请(专利权)人：南开大学，
类型：发明
国别省市：天津;12